MMJan, 2014

监督学习和无监督学习最近邻方法的量子算法

PDF
TL;DR本文介绍了几种量子算法，用于执行最近邻学习，核心是计算距离度量，如内积和欧氏距离。证明量子算法比对应的经典算法具有多项式降低的查询复杂度。在某些情况下，证明具有指数甚至超指数降低。研究了这些算法在几个二元分类任务上的性能，并发现分类准确性与经典方法具有竞争力。
quantum algorithmsnearest-neighbor learningdistance metricsquery complexitybinary classification
发现论文，激发创造
  • 监督和无监督机器学习的量子算法

    本文提出了适用于聚类分配和聚类查找的有监督和无监督的量子机器学习算法，利用量子计算能够处理高维向量的优势，实现了对于大量向量的分类问题的指数级加速。

    Jul, 2013

  • 监督式机器学习的严谨和鲁棒量子加速

    本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

    Oct, 2020

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 用于训练线性和基于内核分类器的次线性量子算法

    我们设计了基于量子算法的子线性算法，用于分类问题和矩阵零和游戏问题的求解，其复杂度都是量级上界的平方根，相较现有技术有瓶颈的常数。我们的算法生成与传统算法完全相同的结果，推荐用于端到端应用，同时探讨了实现方式以及机器可达到的限制。

    Apr, 2019

  • q-means：一种用于无监督机器学习的量子算法

    本研究介绍了 q-means 算法，一种用于聚类的新型量子算法，该算法具有与 $k$-means 类似的收敛性和精度保证，并且输出 $k$ 个集群中心的好近似值。此算法的运行时间呈多项式级别，优于经典算法，尤其适用于大型数据集。

    Dec, 2018

  • 基于核方法的监督量子机器学习模型

    用核方法重新描述监督式的量子模型，用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。

    Jan, 2021

  • 现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

    本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

    Jul, 2023

  • 量子增强特征空间的监督学习

    本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

    Apr, 2018

  • 陷禁离子量子计算机上的最近质心分类

    本篇论文设计一个最近质心分类器，使用最先进的算法和量子硬件来实现量子机器学习应用，实验结果能够在 MNIST 手写数字数据集上匹配经典最近质心分类器的准确性，并在 8 维的人工合成数据上实现了高达 100% 的准确性。

    Dec, 2020

  • 量子变分和量子启发式聚类

    本研究提出了一种基于变分量子电路的量子算法，用于对数据进行聚类；该算法可以将数据分类为多个聚类，并且可以在少量量子比特的嘈杂中间量子计算设备上轻松实现。

    Jun, 2022